Sigmoid函数在神经网络、热传导和土压力计算中的应用

论述Sigmoid函数在三种不同学科领域内的应用 ,并通过各学科的相互关联性 ,揭示出某些尚未认识的规律 .     

Sigmoid函数及其导函数的FPGA实现

通过对Sigmoid函数进行分析,构造一张自变量在[0,4],函数值在[0.5,1.0]的查找表,将其与设计的运算模块相连,实现Sigmoid函数及其导函数.实验表明,该方法在确保快速运算的同时节省了芯片的资源.     

基于Reflected Sigmoid径向基函数插值的温度场重建算法

声学法测温在特殊的温度场环境中有良好的应用,主要是利用有限的超声波传播路径上的飞行时间重构出连续分布的温度场.现有的温度场重建算法中最小二乘法是最常用的方法,但其重建后的温度场会出现边缘信息缺失的现象.针对这一问题,提出在最小二乘法确定温度矩阵的基础上,结合Reflected-Sigmoid函数进行插值,实现了二维平面温度场的无缺失重建.通过两种典型的单峰温度场模型的重建结果及误差分析表明,在补全温度场边缘的条件下,单峰对称温度场的均方根百分误差在1.6%,单峰偏斜温度场的均方根百分误差在3.5%,取得了很好的重建效果.     

模糊算子神经网络的函数逼近能力

研究模糊算子神经网络的函数逼近能力，首先提出传统神经网络和模糊神经网络的一般模型即模糊算子神经网络，又将其进一步推广为广义模糊算子神经网络，考虑这两种通用模型的代数结构和分析性质，给出其连续函数的一致逼近定理，其结论是传统神经网络逼近性质的推广，适用于由任何连续算子构成的多层神经网络（模糊神经网络）。     

CMAC神经网络的概念映射算法

在Ａｌｂｕｓ的概念映射基础上，给出了了ＣＭＡＣ神经网络的Ｎ维概念映射算法，并给予了证明，为ＣＭＡＣ神经网络应用提供了极大方便。     

基于改进目标函数的前馈神经网络盲均衡算法

针对前馈神经网络的特性和盲均衡中CMA算法的特点构造出一个新的目标函数J(n)。该目标函数综合考虑使盲均衡的代价函数和神经网络的误差函数同时减小。仿真结果表明,使用此算法加快了均衡过程的收敛速度、减小了剩余误差及误码率。     

基于改进目标函数的前馈神经网络盲均衡算法

针对前馈神经网络的特性和盲均衡中CMA算法的特点构造出一个新的目标函数J (n)。该目标函数综合考虑使盲均衡的代价函数和神经网络的误差函数同时减小。仿真结果表明,使用此算法加快了均衡过程的收敛速度、减小了剩余误差及误码率。     

前馈神经网络的容错性研究

以前馈神经网络为研究对象，提出了一种容错型神经网络学习算法，将系统运行过程中可能发生的各类故障随机地引入网络训练过程，使系统获得更加稳健的内部表示。仿真结果表明，该学习算法能够有效地提高神经网络的容错能力和泛化能力。     

二层高阶神经网络对任意布尔函数的实现

本文讨论了二层高阶神经网络的能力问题。主要有三个方面的结果：（１）证明了任意布尔函数可由二层高神经网络实现；（２）给出了二层高阶神经网络的ＢＰ算法；（３）模拟实验结果。上述结论表明对高神经的研究具有很强的理论意义和实用价值。     

基于Sigmoid函数拟合的亚像素边缘检测方法

亚像素边缘检测技术是采用图像处理软件算法来提高检测精度的有效途径,因而在基于计算机视觉的检测中具有重要地位。本文对矩法、拟合法和插值法等常用的亚像素边缘检测算法的原理、优点和不足进行了分析。提出了Sigmoid函数拟合的亚像素边缘定位算法,该算法采用Sigmoid函数拟合边缘模型,然后利用图像边缘灰度信息,对该模型进行非线性最小二乘拟合,求得边缘的亚像素位置。实验中测得本文提出的基于Sigmoid函数拟合的亚像素边缘定位算法定位精度为0.045像素,但检测的速度比灰度矩提高了一个数量级,比空间矩、Zernike矩和插值法提高了两个数量级。理论分析和实验结果表明：本文提出的亚像素定位算法能较好的满足影像测量中的稳定可靠、精度高及实时性的要求。     

设计前馈神经网络结构的一种新方法

提出了一种设计前馈神经网络结构的新方法,该方法对网络隐层节点的输出作奇异值分解,根据奇异值大小的分布情况来决定隐层节点的个数,优化网络结构。这种方法同样也适用于有多个隐含层前馈神经网络的设计。应用这种方法来设计一个前馈神经网络并对一复杂信号建模和进行预测,能取得令人满意的结果。     

具有认知判别功能的自联想记忆神经网络模型

提出一种具有认判别功能的自联想记忆神经网络模型，对一个新的输入模式，当网络达到平衡点时，通过一种差别函数可差别该模式是否是网络中已存贮的模式，如不是则对其进行学习；如是则该平衡状态即为其联想结果，给出了模型及其学习规则，分析了网络吸引子半径与有关参数的关系及模型对输入模式的筛选作用，最后给出了计算结果。     

砂土液化的神经网络识别

根据人工神经网络的一种典型模型──反向传播模型，结合专家的经验，建立了砂土液化识别的自适应模式。该法可直接求出砂土的抗液化临界强度．依此可直接进行砂土液化识别。     

基于前馈式神经网络的化工设备维修决策

基于前馈式神经网络模型，提出了一种新的化工设备维修决策方法。根据设备的各状态因素，判断出设奋应属维修等级，制定相应维修策略。数值模拟表明，此法具有高效性、准确性和智能性。     

激励函数可调的前馈神经网络在线学习算法

针对标准ＢＰ算法的不足,提出了一种激励函数可调的前馈神经网络在线学习算法。该方法去除了样本的预处理过程,以在线方式训练前馈神经网络,同时修正网络的权重,阈值与激励函数。,上于避免了神经元的输出饱和现象,算法的收敛速度明显提高,并在一定程度上防止了局部极小解的出现。仿真结果证明了这种算法的有效性。     

利用神经网络实现界面缺陷的智能辨识

通过对数学散斑条纹的分析与处理,找出了能代表条纹信息的移位不变与旋转不变特征值－－最大斜率,进而构造一种新的网络模型,即单步前馈式三层网络系统,率先实现了把神经网络系统用在数字散斑无损检测之中,完成了神经网络系统对粘接界面缺陷的智能辨识。     

非线性网络Volterra级数表示的伴生函数序列

Volterra级数的有限项和式可近似表示非线性网络I/O性质。为了提高它的表示精度,本文提出了Volterra级数的伴生函数序列概念。通过一种离散非线性变换,由Volterra级数的部分和序列简易地构造出了它的伴生函数序列,例題的结果是满意的。     

机械系统传动方案的人工神经网络决策初探

以机械传动系统特征因素做为输入，利用ＢＰ网络构成了机械传动方案的决策系统，为传动方案的制定提供了一条新的途径。     

基于AQPSO算法优化的RBF网络模型及应用研究

提出了自适应量子粒子群优化(adaptive quantum-behaved particle swarm optimization,AQPSO)算法,用于训练RBF(radial basis function)网络的基函数中心和宽度,并结合最小二乘法计算网络权值,改进了RBF网络的泛化能力.利用上证指数数据进行预测,实验结果表明,采用AQPSO算法获得的RBF网络模型不但具有很强的泛化能力,而且具有良好的稳定性,在股票数据预测中具有一定的实用价值.